GPT-Live-1 vs. Ming-3.0-TTS: Eine MIT-Lizenz trifft auf eine abgerechnete Minute

Ming-3.0-TTS erschien am 20. Oktober 2026 mit der Lizenz, von der die meisten Voice-Teams träumen: MIT, Gewichte auf Hugging Face und ModelScope, Inferenzcode auf GitHub, null Kosten pro Zeichen und Sichuanesisch und Kantonesisch in der Sprachliste. GPT-Live-1 kostet 0,05 US-Dollar pro Minute, liefert keine Gewichte und spricht die Sprachen, für die OpenAI es optimiert hat. Ein Vergleich der beiden ist keine wirkliche Qualitätsfrage. Es ist eine Frage danach, welche Sprache Ihre Kunden tatsächlich sprechen und ob Sie bereit sind, eine GPU zu betreiben, um sie zu bedienen.

Beide sind echt, beide sind aktuell, und beide sind gut in Dingen, die das jeweils andere nicht kann. Hier ist die ehrliche Aufteilung.

Die Ming-Familie besteht aus zwei Modellen, nicht aus einem.

Das inclusionAI-Team von Ant Group hat Ming-3.0-TTS als Paar als Open Source veröffentlicht, das sich ein gemeinsames Generierungsframework teilt – ein Sprachmodell, das einen Diffusion-Transformer-Patch-Head und einen Audio-Tokenizer speist.

• Ming-3.0-TTS-0.5B — dicht, rund 500 Millionen Parameter auf einem Qwen2.5-0.5B-Backbone, ein 2,96-GB-Download, läuft auf einem H800-80GB oder einem H20-96G.

• Ming-3.0-TTS-Tiny — eine Mixture-of-Experts-Variante auf Basis der Ling V3-Architektur von Ant, insgesamt 7,9 Milliarden Parameter, davon 1,3 Milliarden aktive, und diejenige, die einen Podcast-Modus für mehrere Sprecher ergänzt.

Das 0.5B-Modell ist der interessante Kandidat für alle, die schon einmal ein Sprachprodukt kalkuliert haben. Ein TTS-Modell mit einer halben Milliarde Parametern, das in drei Gigabyte passt, ist keine Verpflichtung auf ein Rechenzentrum; es ist eine einzelne GPU, die Sie möglicherweise schon haben. Das Tiny-Modell ist die Qualitätsoption, und Ants eigene Notizen besagen, dass seine Podcast-Ausgabe unter der des früheren Ming-Omni-TTS liegt — eine offene Einschränkung, die man für bare Münze nehmen sollte.

Funktionsumfang: Zero-Shot-Voice-Cloning, Stimmdesign anhand einer Textbeschreibung, mehr als 100 integrierte chinesische und 5 englische Stimmen, 14 inline-paralinguistische Tags für Lachen, Seufzen und Atmen, Stilsteuerung in natürlicher Sprache und 44,1-kHz-Ausgabe. Die Sprachen sind Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch, dazu die Dialekte Sichuan und Kantonesisch.

Was GPT-Live-1 stattdessen bietet

OpenAIs Modell ist eine Konversations-Engine, kein Synthesizer mit Skriptschnittstelle. Seit dem 10. September 2026 in der API, nimmt es Audio und Text entgegen, gibt Audio und Text zurück, hört zu, während es spricht, und leitet Reasoning an ein Textmodell weiter, wenn eine Frage dies erfordert. Ein Endpunkt: v1/live/sessions. 0,05 $ pro Minute, sekundengenau abgerechnet. Wissensstichtag Juli 2025, kein dokumentiertes Kontextfenster und kein Zugang im Free-Tier.

Es gibt keine dokumentierte Dialektunterstützung, kein Voice-Cloning, keine Abrechnung pro Zeichen und keine Möglichkeit, ihm ein Skript mit 4.000 Zeichen zu übergeben und eine Datei zurückzubekommen. Was es hat, ist funktionierender Sprecherwechsel — das, woran jeder kaskadierte Sprachagent sechs Monate lang feilt und es auf einer schlechten Telefonleitung immer noch vermasselt.

Die Sprachfrage kommt zuerst.

Wenn Ihre Nutzer Mandarin, Kantonesisch oder Sichuanesisch sprechen, endet dieser Vergleich früh. Ming-3.0-TTS wurde für diese Sprachen entwickelt, veröffentlicht Wortfehlerraten pro Sprache und liefert Stimmen, die nativ klingen statt angepasst. Die Dokumentation von GPT-Live-1 beschreibt den Umgang mit Dialekten überhaupt nicht, und die Deployments, die wir beobachten können – ChatGPT Voice und jetzt Perplexity's voice mode – sind Produkte, die auf Englisch als Erstsprache ausgelegt sind.

Wenn Ihre Nutzer nur Englisch sprechen, schrumpft Mings Vorteil auf seine Lizenz und seinen Preis, und der Vorteil von GPT-Live-1 wird zur gesamten Konversationsschicht. Das ist die eigentliche Weggabelung, und sie hat nichts mit Elo zu tun.

Der einzige Bereich, in dem Mings Sprachbreite wirklich strategisch ist, ist ein Produkt, das mehrere Märkte gleichzeitig bedienen muss – Deutsch, Spanisch, Koreanisch und Japanisch in einer einzigen Version. Ant meldet die besten Wortfehlerraten für Deutsch und Spanisch in der Tiny-Variante, merkt aber an, dass die Sprecherähnlichkeit in neueren Sprachen schwächer ist und meist außerhalb der Top drei liegt. Fazit: breite Abdeckung, ungleichmäßige Wiedergabetreue – und man sollte pro Markt probehören, statt der Liste zu vertrauen.

Die 0-Dollar-Behauptung, geprüft

Ming ist in dem Sinne kostenlos, dass die Lizenz nichts kostet. Es ist nicht in dem Sinne kostenlos, dass das Bereitstellen nichts kostet, und jede „Zero-Cost-TTS“-Abhandlung überspringt diesen Schritt stillschweigend.

Artificial Analysis verzeichnet für Ming-3.0-TTS überhaupt keinen Preis – im Feld steht N/A, da es keine gehostete kommerzielle API von inclusionAI gibt, die sich bepreisen ließe. Ihre Kosten sind GPU-Zeit, und die ehrliche Formel lautet: (GPU-Stundensatz ÷ synthetisierte Zeichen pro Stunde) × 1.000.000. Den zweiten Term setzen Sie selbst ein. Niemand veröffentlicht eine Durchsatzangabe für das 0.5B-Modell, daher beruht jede Pro-Million-Zahl, die Sie online lesen – einschließlich des in Vergleichen kursierenden Break-even von $6.58 – auf einer Annahme zur Geschwindigkeit, die die Autoren des Modells nicht veröffentlicht haben.

Was sich sagen lässt, ohne Zahlen zu erfinden: Bei einem Mietpreis von $2 pro GPU-Stunde muss man rund eine halbe Million Zeichen pro Stunde synthetisieren, um unter $4 pro Million zu landen – eine Rate, die verlangt, dass das Modell um ein Mehrfaches schneller als Echtzeit läuft, was ein 0.5B-Modell plausibel kann und ein 7.9B-MoE plausibel nicht. Miss es, bevor du darauf einen Business Case aufbaust.

Gegenüber GPT-Live-1 ist die Rechnung sauberer, gerade weil die Abrechnung linear ist: Eine Stunde Konversation kostet 3,00 US-Dollar, wobei Backend-Reasoning separat berechnet wird. Kein Auslastungsrisiko, keine GPU, um die man sich kümmern muss, und keine Annahme, die man in einem Budgetmeeting verteidigen muss.

Warum melden beide 93,2 %?

Eine Kuriosität, die jeden beim Vergleich von Datenblättern stolpern lässt: Ming-3.0-TTS meldet 93,2 % Ausspracherobustheit bei der Messung von Artificial Analysis und beansprucht damit den ersten Platz insgesamt. Fish Audios Drama 3 meldet dieselben 93,2 % und beansprucht ebenfalls den ersten Platz. Zwei Labore, zwei Architekturen, eine bis auf die Dezimalstelle identische Zahl.

Betrachten Sie das als Beleg für eine Obergrenze statt als Stichentscheid. Der verbleibende Bruchteil konzentriert sich auf die Fälle, die jedes TTS-Modell scheitern lassen: alphanumerische Zeichenfolgen, ungewöhnliche Eigennamen, im Kontext gelesene Zahlen und Homographen. Welches Modell für Sie gewinnt, hängt davon ab, ob Ihre Inhalte Teilenummern oder Lyrik enthalten, und nur Ihr eigener Evaluationsdatensatz kann das beantworten.

In den Gremien, mit den beigefügten Vorbehalten

Auf der Provider Voice Arena, erfasst am 29. Oktober 2026, liegt Ming-3.0-TTS bei 1187 Elo und damit auf Platz drei unter den Open-Weights-Einträgen, hinter Drama 3 mit 1240 und Breeze TTS 2 mit 1228, und das Ranking, das Ants eigenes Repository meldet, weist es auf diesem Board als dritten unter den Open-Weights aus. Auf dem Controlled-Voice-Board, wo jedes Modell dieselben acht Stimmen klont, beansprucht Ants eigenes Repository mit 1069 Elo den ersten Platz unter den Open-Weights und den dreizehnten Platz insgesamt.

GPT-Live-1 erscheint nicht auf diesen Ranglisten, weil es in deren Sinne kein Text-to-Speech-Modell ist. Seine Werte stehen woanders: 83,2 im Speech-to-Speech Index, auf Platz zwei von 21, und 1037–1041 in der Speech Agent Arena mit einer Erfolgsquote bei Aufgaben zwischen 87,4 % und 90,9 %. Unterschiedliche Instrumente, unterschiedliche Skalen, keine Subtraktion erlaubt.

Wo jeder Einzelne verliert

Ming verliert beim Gespräch, Punkt. Es kann nicht hören, nicht unterbrechen, nicht entscheiden, mit dem Reden aufzuhören. Jeder Einsatz, bei dem am anderen Ende der Leitung ein Mensch nötig ist, ist ausgeschlossen, so gut die Stimme auch sein mag.

Ming verliert auch bei der operativen Einfachheit für kleine Teams. Eine GPU ist ein Ding, das um 3 Uhr nachts ausfällt, Treiber benötigt, die dazu passen, und still an Leistung verliert, wenn ein anderer Mieter die Karte mitnutzt. Die MIT-Lizenz enthält keinen Rufbereitschaftsingenieur.

GPT-Live-1 verliert bei der Kostenstruktur für textlastige Arbeit und bei der Kontrolle über die Markenstimme. Feste Modellstimmen bedeuten, dass man weder die Stimme eines Gründers noch eine lizenzierte Figur ausliefern kann. Und die Abrechnung pro Minute bestraft genau die Arbeitslast, für die TTS am besten geeignet ist: lange, skriptbasierte, repetitive Ausgaben, bei denen niemand zuhören muss.

Der Routing-Aspekt, der tatsächlich zutrifft

Keines von beiden ist auf OrcaRouter verfügbar, und es lohnt sich, das ganz offen zu sagen: Ming-3.0-TTS läuft selbst gehostet mit offenen Gewichten und hat keinen gehosteten Endpunkt, den wir routen könnten, und GPT-Live-1 stellt einen einzigen Session-Endpunkt bereit, den wir nicht anbieten. Was wir routen, ist das Reasoning-Modell hinter einem chinesischsprachigen Voice-Agent – Qwen3.8 Max, GLM-5.3, Kimi K3 und Gemini-Modelle liegen hinter einem Schlüssel mit automatischem Failover, zu den Listenpreisen der Anbieter, durchgereicht mit 0 % Aufschlag.

Für einen bilingualen Einsatz ist das wichtiger, als es klingt. Die TTS-Wahl wird in der Regel einmal getroffen, anhand der Sprachabdeckung; das dahinterliegende Reasoning-Modell wird ausgetauscht, wenn sich die Preise bewegen und neue chinesischsprachige Checkpoints erscheinen. Diesen Zweig routbar zu halten, ist die günstigste Form der Zukunftssicherung im Stack.

Auf welches aufbauen?

Setzen Sie auf Ming-3.0-TTS auf, wenn das Produkt Chinesisch spricht oder mehrere asiatische und europäische Märkte bedient, wenn Sie eine GPU kontrollieren und wenn die Ausgabe skriptgesteuert statt dialogorientiert ist. Die MIT-Lizenz ist ein echtes strategisches Asset: Sie kann nicht widerrufen, neu bepreist oder ratenbegrenzt werden, und die 0,5B-Variante senkt die Hürde, sie auszuprobieren, auf ungefähr einen Nachmittag.

Setzen Sie auf GPT-Live-1, wenn es sich bei dem Produkt um ein Gespräch auf Englisch handelt und die Qualitätsmesslatte „fühlt es sich an wie eine Person am Telefon“ lautet. Sie zahlen für immer 0,05 $ pro Minute und besitzen nichts, und Sie erhalten die eine Fähigkeit, die der Open-Weights-Bereich in dieser Qualität noch nicht geliefert hat: ein Modell, das zuhört, während es spricht.

Bauen Sie nicht auf eines von beiden, nur weil eine Bestenliste das sagt. Mings 1187 und Lives 83.2 sind zwei verschiedene Instrumente, die auf zwei verschiedene Aufgaben ausgerichtet sind, und der einzige Vergleich, der einem echten Deployment standhält, ist der, den Sie mit Ihrem eigenen Audio durchführen.